一个高效的图形学习系统用于情感识别,灵感来自EEG大脑网络的认知前图

科学领域:

• 情感计算是一种情感计算.
• 神经科学是一个神经科学.
• 机器学习是机器学习.

背景情况:

• 电脑电图 (EEG) 为情绪识别提供了高时间分辨率.
• 开发强大的基于EEG的情绪识别系统需要先进的学习策略来捕捉大脑的认知模式.
• 目前的方法需要在自动学习稳定,情感特定的神经模式方面进行改进.

研究的目的:

• 提出一种新的图形学习系统,BF-GCN,灵感来自于大脑认知机制,以高效地解码情感EEG信号.
• 自动学习并从EEG数据中提取与情绪相关的图形模式.
• 为了提高基于EEG的情绪识别的性能和稳定性.

主要方法:

• 开发了一个名为BF-GCN的图形卷积网络 (GCN) 框架,它结合了大脑网络的初始灵感和融合的注意力机制.
• 设计了三个图形分支:认知灵感的功能图形,数据驱动图形和融合的常见图形,以学习情感认知模式.
• 谱图过理论被用于自动学习和提取EEG图形模式,通过注意力机制增强.

主要成果:

• 在受试者依赖的实验中,BF-GCN系统实现了高精度:在SEED数据集上达到97.44%,在SEED-IV数据集上达到89.55%.
• 在对象独立的实验中,BF-GCN在SEED上获得了92.72%的准确性,在SEED-IV上达到82.03%.
• 结果显示了最先进的性能和强大的情绪识别能力.

结论:

• 拟议的BF-GCN模型为基于EEG的情绪识别提供了一个认知灵感的图形学习方法.
• 该系统有效地学习情绪认知图形模式,显著提高识别准确性.
• 通过强大的EEG信号分析,BF-GCN为推进情感计算提供了一个有希望的方向.